質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
87.20%
Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

受付中

KerasのCNNにおける複数チャンネルの入力方法について

tagaa
tagaa

総合スコア0

Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0回答

-2評価

0クリップ

3閲覧

投稿2019/02/01 15:39

編集2022/01/12 10:55

##前提
KerasのCNNで画像を学習し、学習した重みを保存するプログラムを以下のプログラムで作成済みです。プログラムでは"a0"フォルダの画像群と"a1"フォルダの画像群をCNNで学習し、2クラス分類するための重みを保存しています。
a0フォルダの画像ファイル名は[1-a.jpg, 2-a.jpg, ... ,1000-a.jpg]となっており、
a1フォルダの画像ファイル名は[1001-a.jpg, 1002-a.jpg, ... ,2000-a.jpg]となっています。
全てRGB画像ですのでCNNへの入力は3チャンネルになっています。

##実現したいこと
別の画像フォルダ"b0"と"b1"内の画像を"a0"と"a1"の画像とセットにして6チャンネルの入力で学習させたいです。
b0フォルダの画像ファイル名は[1-b.jpg, 2-b.jpg, ... ,1000-b.jpg]となっており、
b1フォルダの画像ファイル名は[1001-b.jpg, 1002-b.jpg, ... ,2000-b.jpg]となっています。
1-a.jpg(3チャンネル)と1-b.jpg(3チャンネル)を1セットとして計6チャンネルで入力→
同様に2-a.jpgと2-b.jpgの6チャンネルを入力→これをフォルダ内全ての画像(1000ペア)で行い学習させるイメージです。

コードが見辛かったら申し訳ありません。
このような6チャンネルの入力は可能なのでしょうか...?
可能でしたら以下のプログラムを改良したコードを回答欄に載せていただけると助かります...

よろしくお願いします。

####学習プログラム

# coding:utf-8 import keras from keras.layers import Conv2D, MaxPooling2D, Lambda, Input, Dense, Flatten, BatchNormalization from keras.utils import np_utils from keras.models import Sequential from keras.layers.convolutional import Conv2D, MaxPooling2D from keras.layers.core import Dense, Dropout, Activation, Flatten import numpy as np from sklearn.model_selection import train_test_split from PIL import Image import glob from keras.utils import plot_model #mpl.use('Agg') import matplotlib.pyplot as plt import tensorflow as tf from keras import optimizers folder = ["a0","a1"] image_size = 224 epoch_size = 100 batch_size = 256 X = [] Y = [] #画像は50×50ピクセルのRGB形式に変換され、それぞれnumpy形式に変換 for index, name in enumerate(folder): dir = "./" + name files = glob.glob(dir + "/*.jpg") for i, file in enumerate(files): image = Image.open(file) image = image.convert("RGB") image = image.resize((image_size, image_size)) data = np.asarray(image) X.append(data) Y.append(index) #Xは画像データ、Yは正解ラベルのデータ X = np.array(X) Y = np.array(Y) #画像データを0から1の範囲に変換 X = X.astype('float32') X = X / 255.0 #正解ラベルの形式を変換 Y = np_utils.to_categorical(Y, 2) # 学習用データとテストデータに分割 #X_train(訓練データ), X_test(テストデータ), y_train(訓練ラベル), y_test(テストラベル) X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.285) model = Sequential() model.add(Conv2D(48, 11, strides=(3, 3), activation='relu', padding='same',input_shape=X_train.shape[1:])) model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2))) model.add(BatchNormalization()) model.add(Conv2D(128, 5, strides=(3, 3), activation='relu', padding='same')) model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2))) model.add(BatchNormalization()) model.add(Conv2D(192, 3, strides=(1, 1), activation='relu', padding='same')) model.add(Conv2D(192, 3, strides=(1, 1), activation='relu', padding='same')) model.add(Conv2D(128, 3, strides=(1, 1), activation='relu', padding='same')) model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2))) model.add(BatchNormalization()) model.add(Flatten()) model.add(Dense(2048, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(2048, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(2, activation='softmax')) model.summary(); #plot(model, show_shapes=True, show_layer_names=True, to_file='summury.png') # コンパイル model.compile(loss='categorical_crossentropy',optimizer='Adam',metrics=['accuracy']) #訓練 history = model.fit(X_train, y_train, epochs=epoch_size, batch_size=batch_size, verbose=1, shuffle=True, validation_split=0.25) #評価 & 評価結果出力 score = model.evaluate(X_test, y_test, verbose=0) print('Test loss :', score[0]) print('Test accuracy :', score[1]) ### save weights json_string = model.to_json() open('alexnet_model.json', 'w').write(json_string) model.save_weights('alexnet_weights.h5')

良い質問の評価を上げる

以下のような質問は評価を上げましょう

  • 質問内容が明確
  • 自分も答えを知りたい
  • 質問者以外のユーザにも役立つ

評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

気になる質問をクリップする

クリップした質問は、後からいつでもマイページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

  • プログラミングに関係のない質問
  • やってほしいことだけを記載した丸投げの質問
  • 問題・課題が含まれていない質問
  • 意図的に内容が抹消された質問
  • 過去に投稿した質問と同じ内容の質問
  • 広告と受け取られるような投稿

評価を下げると、トップページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

Q71
Q71

2019/02/02 13:02

> 以下のプログラムを改良したコードを回答欄に載せていただけると これだと「丸投げ」です。 「自分はこうすればいいと思うのだが」という案はないのでしょうか。

まだ回答がついていません

会員登録して回答してみよう

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
87.20%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問

同じタグがついた質問を見る

Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。